| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-14页 |
| ·课题研究的背景和意义 | 第10页 |
| ·风电场输出功率预测的国内外研究现状 | 第10-12页 |
| ·国外研究现状 | 第10-12页 |
| ·国内研究现状 | 第12页 |
| ·功率预测的分类 | 第12页 |
| ·本文主要工作和论文结构安排 | 第12-14页 |
| 第2章 动态聚类分析的原理和应用 | 第14-21页 |
| ·聚类分析简介 | 第14-16页 |
| ·相似性和相似性测度 | 第14-15页 |
| ·聚类准则 | 第15-16页 |
| ·完成一个聚类分析必须遵循的步骤 | 第16页 |
| ·动态聚类法 | 第16-20页 |
| ·K-均值算法 | 第16-17页 |
| ·迭代自组织数据分析算法 | 第17-20页 |
| ·聚类分析的应用 | 第20页 |
| ·本章小结 | 第20-21页 |
| 第3章 风电场输出功率模型的建立 | 第21-37页 |
| ·风电场输出功率的相关因素 | 第21-23页 |
| ·风速与风机输出功率的关系 | 第21页 |
| ·风向与风机输出功率的关系 | 第21-22页 |
| ·空气密度与风机输出功率的关系 | 第22-23页 |
| ·预测精度的衡量方法 | 第23-24页 |
| ·预测精度的概念 | 第23页 |
| ·测定预测精度的方法 | 第23-24页 |
| ·人工神经网(ANN)络简介 | 第24-25页 |
| ·人工神经网络的特点 | 第24页 |
| ·神经网络的学习过程 | 第24-25页 |
| ·径向基函数(RADIAL BASIS FUCTION,RBF)网络 | 第25-28页 |
| ·网络结构 | 第26页 |
| ·RBF网络的学习过程 | 第26-28页 |
| ·自组织特征映射(SELF-ORGANIZING MAP,SOM)神经网络 | 第28-30页 |
| ·SOM网络的结构和功能 | 第28页 |
| ·SOM网络的可视化技术 | 第28-30页 |
| ·基于SOM网络的特征选择 | 第30页 |
| ·遗传算法(GENETIC ALGORITHMS,GA) | 第30-34页 |
| ·GA的基本概念 | 第31页 |
| ·GA的基本原理和执行过程 | 第31-34页 |
| ·GA的操作流程 | 第34页 |
| ·时间序列法简介 | 第34-35页 |
| ·自回归—滑动平均模型(ARMA)原理 | 第34-35页 |
| ·ARMA的关键步骤 | 第35页 |
| ·风电场输出功率的数学模型 | 第35-36页 |
| ·建立模型的具体步骤 | 第35-36页 |
| ·模型的流程图 | 第36页 |
| ·本章小结 | 第36-37页 |
| 第4章 算例分析 | 第37-51页 |
| ·时间序列法功率预测模型的算例分析 | 第37页 |
| ·考虑遗传算法的RBF神经网络预测模型的算例分析 | 第37-45页 |
| ·输入向量的特征选择 | 第37-38页 |
| ·时间间隔为30分钟的算例分析 | 第38-42页 |
| ·时间间隔为10分钟的算例分析 | 第42-43页 |
| ·基于ISODATA的功率预测模型 | 第43-45页 |
| ·组合预测模型 | 第45-46页 |
| ·模型的综合评定 | 第46-50页 |
| ·后验差检验法 | 第46-48页 |
| ·模糊综合评判法 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 结论与展望 | 第51-53页 |
| ·结论 | 第51页 |
| ·展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第56-57页 |
| 致谢 | 第57页 |
